보스턴권 Dyno Therapeutics, NVIDIA GTC서 AI 단백질 설계 제품군 공개…실험 전환 가능성 높이는 필터·API 함께 제시

매사추세츠 워터타운의 Dyno Therapeutics가 3월 18일 NVIDIA GTC 2026에서 단백질 바인더 설계용 AI 제품군 ‘Dyno Psi-Phi’를 공개했다. 회사 발표의 핵심은 새 생성 모델 하나를 선보이는 데 그치지 않고, 실제 실험으로 이어질 가능성을 가늠하는 필터와 개발자 접근 경로를 함께 묶었다는 점이다.

회사 설명에 따르면 이번 공개는 세 가지 축으로 구성된다. ‘Dyno Psi-1’은 단백질 바인더 설계를 위한 오픈웨이트 생성 모델이고, ‘Dyno Phi’는 설계 결과가 실제 실험에서 검증될 가능성을 예측하도록 돕는 필터 세트다. 여기에 커뮤니티 티어 REST API와 Claude Code 연동 경로를 더해, 연구팀과 개발팀이 바로 기존 워크플로에 붙여 사용할 수 있도록 했다. Dyno는 이 조합을 통해 사용자가 GPU 인프라를 직접 마련하지 않아도 구조 조건 기반 설계와 확률적 성능 평가를 시작할 수 있다고 설명했다.

발표 자료에서 Dyno는 Phi를 두고 실제 실험 데이터로 반복 보정하는 필터 모음이라고 밝혔다. 또 Psi-1은 NVIDIA La-Proteina 계열 모델의 영향을 받아 NVIDIA DGX Cloud와 Hopper GPU 환경에서 학습됐으며, 합성 도메인 인터페이스 데이터셋도 함께 공개한다고 설명했다. API에는 Dyno Psi-1 기반 생성과 Dyno Phi 기반 필터링 기능이 함께 들어가며, OpenFold3 등 NVIDIA BioNeMo NIMs도 반영했다고 회사는 밝혔다.

실무 흐름으로 보면 이번 제품 구성은 세 단계로 이해할 수 있다. 첫 단계는 생성이다. 원하는 표적에 결합할 가능성이 있는 후보 서열을 넓게 만든다. 두 번째는 필터링이다. Dyno가 실험 데이터로 보정했다고 밝힌 필터를 적용해, 실험으로 가져갈 후보를 줄이는 과정이다. 세 번째는 연결이다. API와 코드 도구를 통해 내부 연구 파이프라인, 외부 협업, 자동화 실험 체계에 붙이는 단계다. 비용과 시간이 많이 드는 wet lab 이전 구간에서 시행착오를 줄이는 데 제품 메시지의 중심이 놓여 있다고 볼 수 있다.

여기서부터는 기사 해석의 영역이다. 이번 발표는 보스턴권 AI 바이오 기업들이 계산 성능 자체보다 계산 결과를 실험 성과로 얼마나 안정적으로 연결하느냐에 더 무게를 두고 있음을 보여주는 사례로 읽힌다. Dyno도 NVIDIA와의 협업, 클라우드 학습 인프라, 오픈 모델, 데이터셋, API 접근성을 한 묶음으로 제시했다. 기술 시연이면서 동시에 연구개발 도구를 제품 형태로 정리해 파트너와 개발자 유입을 넓히려는 사업 전략의 성격이 짙다.

같은 맥락에서 지역 연구자와 창업팀이 참고할 지점도 있다. 첫째, AI 바이오 경쟁이 논문이나 데모 중심에서 실제 사용 가능한 도구와 통합성 경쟁으로 이동하고 있다는 해석이 가능하다. 둘째, 오픈웨이트 모델과 공개 데이터셋은 초기 팀의 진입 문턱을 낮출 수 있지만, 차별화 지점은 실험 데이터와 워크플로 통합 능력으로 더 빨리 옮겨갈 수 있다. 셋째, 유학생·포닥·초기 창업자 입장에서는 모델 개발 역량만이 아니라 계산생물학, 실험 설계, 클라우드 인프라, API 제품화까지 함께 이해하는 인력이 유리해질 가능성이 있다. 다만 이런 평가는 시장 전망에 대한 해석이며, 반복 채택 여부는 앞으로 파트너 현장에서의 재현성과 비용 절감 효과가 얼마나 확인되는지에 더 좌우될 것으로 보인다.

이번 발표는 단기 매출이나 임상 진전 소식은 아니다. 대신 보스턴권 AI 바이오 산업이 어떤 지점에서 제품 가치를 만들고 있는지를 보여주는 사례에 가깝다. 경쟁의 초점이 ‘AI를 사용한다’는 선언보다, 계산 결과를 실험 성공 확률과 개발 속도로 얼마나 바꿔낼 수 있는지로 이동하고 있다는 점을 시사한다.